Глубокое обучение в медицинской диагностике: применение и ограничения
Краткое изложение авторской публикации врача в сообществе «Врачи РФ» от .
Автор материала рассматривает применение глубокого обучения в диагностике и отмечает, что алгоритмы пока дополняют работу специалистов, а не заменяют врачей. Среди направлений использования описаны анализ маммограмм и снимков КТ, выявление меланомы и диабетической ретинопатии, оценка ЭКГ и распознавание инсульта. В исследованиях, приведённых автором, AI в отдельных задачах показывал результаты на уровне или выше специалистов: например, модель Google для анализа КТ лёгких выявляла злокачественные образования на 5–9,5% чаще радиологов с восьмилетним опытом. Автор также перечисляет препятствия для внедрения машинного обучения в медицине: нехватку и разрозненность данных, требования к конфиденциальности и сертификации, трудности стандартизации и непрозрачность алгоритмов. По мнению автора, окончательное решение и ответственность должны оставаться за медицинским специалистом.
Главное
- Автор отмечает, что алгоритмы глубокого обучения преимущественно помогают врачам, а не заменяют медицинских специалистов.
- В исследовании Google 2019 года модель на 42 тысячах снимков КТ выявляла рак лёгких на 5–9,5% чаще радиологов с восьмилетним опытом.
- В 2018 году AI Eye Doctor компании Google показал точность 98,6% при выявлении диабетической ретинопатии.
- Автор называет среди препятствий нехватку данных, требования конфиденциальности, проблемы стандартизации и непрозрачность алгоритмов.
Подготовлено автоматически с помощью ИИ, возможны неточности. Полный просмотр материала доступен только для медицинских специалистов с высшим медицинским образованием.
Войти Регистрация